PENGGUNAAN FUZZY LOGIC UNTUK

KESESUAIAN LAHAN
Oleh : Ahyuni, ST., M.Si
FUZZY LOGIC
Fuzzy set pertama kali dikembangkan pada tahun 1965 oleh Prof. Lotfi A.
Zadeh, teori ini telah banyak dikembangkan dan diaplikasikan dalam berbagai masalah
real. Penggunaan teori fuzzy set dilandasi oleh pemikiran perlu adanya solusi terhadap
nilai anggota bilangan atau membership function (MF) yang tidak hanya berorientasi
pada benar atau salah (Baja dkk, 2006), terpenuhi (MF = 1) atau tidak terpenuhi (MF =
0). Menurut Zadeh, 1965 (Naba, 2009) fuzzy set adalah sebuah himpunan dimana
keanggotaan dari tiap elemennya tidak mempunyai batas yang jelas. Fuzzy set paling
sering digunakan untuk klasifikasi objek atau fenomena nilai kontinu, dimana kelas-
kelas tidak memiliki batas-batas yang jelas. Dalam teori logika fuzzy dikenal fuzzy set
merupakan pengelompokan sesuatu berdasarkan variabel bahasa yang dinyatakan dalam
fungsi keanggotaan, dimana semesta pembicaraan (universe of course) bernilai 0 sampai
1. Jika pada himpunan Boolean, nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0
atau 1, pada himpunan fuzzy nilai keanggotaan fuzzy A(x) = 0 berarti x tidak menjadi
anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy A(x) =
1 berarti x menjadi anggota penuh pada himpunan A.
Membership function dari suatu himpunan fuzzy dinyatakan dengan derajat
keanggotaan suatu nilai terhadap nilai tegasnya yang berkisar antara 0 sampai dengan 1.
Membership function (fungsi keanggotaan) mendefinisikan bagaimana tiap titik dalam
ruang input dipetakan menjadi bobot atau derajat keanggotaan antara 0 sampai 1.
Domain fuzzy set adalah keseluruhan nilai yang diizinkan dalam semesta pembicaraan
dan boleh dioperasikan pendekatan fuzzy set.

Fuzzy membership
function

Gambar 1. Fuzzy Membership

Tahap dalam menggunakan logika fuzzy :

1. Fuzzifikasi, merupakan konversi input-input (masukan) yang bersifat tegas
(crips) ke dalam bentuk variable linguistik menggunakan fungsi keanggotaan.
Untuk perhitungan fuzzifikasi terbagi 2, yaitu:
a. Perhitungan fuzzifikasi untuk data kontinum (rasio dan interval)

2
Gambar 2. Fungsi Keanggotaan Dari Fuzzy Set ((Borrough and McDonnell,1998)

Keterangan :
MF(xᵢ) = nilai keanggotaan individu untuk karakteristik lahan x
d = lebar zona transisi
xi = nilai karakteristik lahan x
b = nilai karakteristik lahan x pada titik ideal atau titik infleksi
ip = titik optimal

Berdasarkan gambar 2 terdapat empat model fungsi simetris yaitu fungsi

simetris (model 1), fungsi simetris (model 2), fungsi asimetris kiri (model 3) dan
fungsi asimetris kanan (model 4). Masing-masing model tersebut memiliki nilai
fungsi keanggotaan Fuzzy set yang berbeda. Dibawah ini akan dipaparkan rumus
model fungsi keanggotaan fuzzy set (Burrough and McDonnell_1998).
1) Fungsi simetris (model 1)
MF (xi) = 1 1+[ x−b₁ d]² jika 0 < xi < 1……...…………….. (1)
2) Fungsi simetris (model 2)
MF(xi) = 1 jika (b1 + d1) ≤ xi ≤ (b2 – d2) ……….…….….... (2)
3) Fungsi asimetris kiri (model 3)
MF (xi) = 1 1+[ x−b₁ −d₁ d₁ ]² jika x < b₁ +d₁ …...……….…….(3)
4) Fungsi asimetris kanan (model 4)
MF (xi) = 1 1+[ x−b₂ +d₂ d₂ ]² jika x > b₂ -d₂ …………..……..(4)
Metode fuzzy set dalam penelitian ini mengacu pada model import semantik
(semantic impor model, SIM) yang digunakan dalam evaluasi lahan secara luas.
Pendekatan fungsi dengan SIM menggunakan kurva bentuk lonceng (a bell
shape curve) untuk menilai kinerja (performance) karakteristik lahan dalam

WINDOWS USER 3
hubungannya dengan persyaratan tumbuh tanaman. Kurva simetrik berlaku
untuk karakteristik lahan yang memiliki kinerja optimum pada kisaran sedang.
Kurva simetrik (a) dapat digunakan pada atribut yang mempunyai satu nilai
ideal, kurva simetrik (b) yaitu berlaku untuk atribut yang mempunyai nilai ideal
berupa rentang. Sedangkan kurva asimetrik kiri digunakan untuk menilai
karakteristik lahan yang memiliki sifat semakin besar semakin baik. Kurva
asimetrik kanan merupakan kurva yang berlaku untuk karakteristik lahan yang
memiliki sifat semakin kecil semakin baik. Mengingat setiap indikator lahan
yang digunakan memiliki karakteristik yang berbeda pada setiap jenis
penggunaan lahan, maka nilai indikator untuk aspek rentang (d1, d2), titik
optimum (ip 1 dan atau/ ip2) dan titik infleksi (b1 dan atau/b2) akan berbeda,
tergantung pada respon dan persyaratan tumbuh komoditas tersebut terhadap
masing-masing karakteristik lahan (Baja et al. 2001). Gambar 1 menyajikan
kurva model S yang digunakan dalam persamaan fungsi fuzzy set.

b. Perhitungan fuzzifikasi untuk data kategori

Data kategori ini akan reklasifikasi dan memberikan nilai baru untuk
setiap kategori
Contohnya adalah penggunaan lahan

Gambar 3. Perhitungan Fuzzy Untuk Data Kategori

c. Sistem Inferensi, merupakan proses pengkonversian input-fuzzy

menggunakan aturan-aturan “If-Then” menjadi Output-Fuzzy.
d. Defuzzifikasi, merupakan proses konversi Output-Fuzzy dari system
inferensi ke dalam bentuk tegas (crips) menggunakan fungsi keanggotaan
serupa (sebelumnya) menjadi sebuah nilai.

WINDOWS USER 4
Dari artikel sumbangan baja, dapat dilihat data kategori juga dapat digambarkan dalam
bentuk diagram batang. (sumber : https://link.springer.com/article/10.1007/s00267-001-
0053-8)

EVALUASI LAHAN
Evaluasi lahan merupakan upaya penilaian atau penafsiran terhadap kinerja suatu
lahan bila digunakan untuk suatu penggunaan. Kesesuaian lahan adalah kecocokan
(fitness) suatu jenis lahan untuk penggunaan tertentu. Kecocokan tersebut dinilai
berdasarkan analisis kualitas lahan sehubungan dengan persyaratan suatu jenis
penggunaan tertentu, sehingga kualitas yang baik akan memberikan nilai lahan atau
kelas yang tinggi terhadap jenis penggunaan tertentu.

Klasifikasi kesesuaian lahan adalah penilaian dan pengelompokkan lahan dalam arti
kesesuaian bagi tanaman tertentu. kategori sistem klasifikasi kesesuiaan lahan yang
digunakan dalam penelitian ini adalah kelas kesesuaian lahan dengan menggunakan
sistem klasifikasi FAO (1976) yang menunjukkan tingkat kesesuaian lahan sebagai
berikut :

1. Kelas S1 (Sangat Sesuai)

2. Kelas S2 (Sesuai)
3. Kelas S3 (Sesuai Marginal)
4. Kelas N1 (tidak sesuai sekarang)
5. Kelas N2 (tidak sesuai permanen)

WINDOWS USER 5
 ONTOH PENGGUNAAN LOGIKA FUZZY UNTUK KESESUAIAN LAHAN
KOPI ROBUSTA DI TANAH DATAR

PENGGUNAAN FUZZY LOGIC DALAM EVALUASI PENGGUNAAN LAHAN

A. Persiapan
Data-data yang dibutuhkan :
1. Peta Administrasi Kabupaten Tanah Datar
2. Peta Topografi Kabupaten Tanah Datar
3. Peta Lereng Kabupaten Tanah Datar
4. Peta Tanah dan Karakterisitik Tanah Kabupaten Tanah Datar
5. Peta Suhu Kabupaten Tanah Datar
6. Peta Curah Hujan Kabupaten Tanah Datar
7. Syarat kesesuaian lahan untuk komoditi kakao

B. Langkah-langkah
1. FUZZIFIKASI
a. Perhitungan Fuzzifikasi
1. Penyusuan kriteria dan indikator evaluasi lahan kopi robusta
Tabel 1. Kriteria atau indicator evaluasi lahan kopi robusta
Persyaratan S1 S2 S3 N
penggunaan/karakterist ik (Sangat (Sesuai) (Sesuai (Tidak
lahan Sesuai) Marginal) Sesuai)
Temperatur (tc)
Temperature rerata (ºC) 20-24 24-28 18-20 <18
28-32 >32
Ketersediaan air (wa)
Curah hujan (mm) 2.000-3.000 1.750- 1.500- <1.500
2.000 1.750 >4.000
3.000- 3.500-
3.500 4.000
Ketersediaan oksigen(oa)
Drainase Baik Sedang Agak Terhambat,
terhambat, sangat
agak cepat terhambat,
cepat
Media perakaran (rc)
Tekstur Halus, agak Sedang Agak Kasar, sangat
halus 75-100 kasar halus
Kedalaman tanah (cm) >100 50-75 <50
Retensi hara (nr)
KTK tanah (cmol) >16 5-16 <5
Kejenuhan basa (%) >20 ≤20
pH H O 5,3-6,0 6,0-6,5 >6,5
5,0-5,3 <5,3
Bahaya erosi (eh)
Lereng (%) <8 8-15 15-30 >30
Ketinggian 300-500 500-600 600-700 >700
100-300 0-100

WINDOWS USER 6
Sumber : Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan
Pertanian Kementrian RI (2011)

B. Standarisasi Data
Permasalahan yang sering dijumpai dalam proses evaluasi lahan adalah
data yang tersedia tidak dapat digunakan secara langsung sebagai input
dalam SIG akibat perbedaan format. proses standarisasi data dilakukan
berdasarkan jenis atribut data fuzzy. Menurut Kumadewi dan Purnomo
(2010) dalam proses fuzzifikasi data, himpunan fuzzy memiliki dua jenis
atribut, yaitu; (1) Atribut numerik, yaitu suatu nilai (angka) yang
menunjukkan ukuran dari suatu variabel seperti 23, 12.5, dan sebagainya. (2)
Atribut linguistik, yaitu penamaan suatu kelompok yang mewakili suatu
keadaan atau kondisi tertentu dengan menggunakan bahasa sehari-hari,
seperti rendah, sedang, tinggi, halus, agak halus, cepat, terhambat, dan lain-
lain.
Tabel 2. Standarisasi data pada kelas kesesuaian lahan
Karakteristik Rangking Ordinal
lahan 1 2 3 4
Drainase Baik Sedang Agak Terhambat, sangat
terhambat terhambat
Tekstur Halus, agak Sedang Agak kasar Kasar, sangat
halus halus

2. Fungsi Keanggotaan dari fuzzy set (Borrough and McDonnell,1998)

WINDOWS USER 7
WINDOWS USER 8
 Tabel 3.Penentuan model dan derajat keanggotaan indikator

No Indikator Nilai karakteristik lahan Model kurva dan derajat keanggotaan Nilai indikator atribut lahan
S1 S2 S3 N b1 ip1 ip2 b2 d1 d2
1. Suhu 20-24 24-28 18-20 <18 19 20 24 28 1 4
28-32 >32
2. Curah hujan 2.000-3.000 1.750-2.000 1.500-1.750 <1.500 1750 2000 3000 3500 250 500
3.000-3.500 3.500-4.000 >4.000
3. Ketinggian 300-500 500-600 600-700 >700 200 300 500 600 100 100
100-300 0-100

4. Keasaman/pH 5,3-6,0 6,0-6,5 >6,5 5.2 5.3 6.0 6.2 0.1 0.2
Tanah 5,0-5,3 <5,3
5. Lereng <8 8-15 15-30 >30 - - 8 23 - 15

6. Drainase 1 2 3 4 - -

7. Tekstur 1 2 3 4 - -

8. Kedalaman >1,2 0,8-1,2 <0,8 - 75 100 - - 25 -

tanah
9. Kapasitas >16 5-16 <5 - 11 16 - - 5 -
Tukar
Kation/KTK
10. Kejenuhan ≥20 ≤20 - - 19 20 - - 1 -
basa

9
b. Fuzzifikasi di dalam ArcGIS
1. Lakukan atribut tabel pada masing-masing indikator, sebagai contoh disini
yaitu indikator lereng.

Gambar 4. Data Vektor

2. Pilih menu arctoolbox, klik conversion tools, pilih to raster, kemudian klik
dua kali polygon to raster. Muncul kolom sebagai berikut lalu OK.

Gambar 5. Data Raster

WINDOWS USER 10
 3. Hasil Fuzzifikasi 10 Indikator Lahan

Gambar 6. Hasil Fuzzifikasi

3. INFERENCE
a. Pembobotan Karakteristik Lahan
Pengelompokkan karakteristik lahan berdasarkan pada tingkat kepentingan,
kesusahan diperbaiki, dan besar biaya perbaikan. Maka parameter karakteristik
lahan dikelompokkanmenjadi:
1. Kelompok A : sangat sulit diperbaiki dan membutuhkan biaya tinggi yaitu
suhu, curah hujan, ketinggian, lereng dantekstur.
2. Kelompok B : sulit diperbaiki dan membutuhkan biaya tinggi yaitu drainase

WINDOWS USER 11
 dan kedalamantanah
3. Kelompok C : mudah diperbaiki dan tidak membutuhkan biaya yang tinggi
yaitu kejenuhan basa, KTK tanah dan keasaman atau pHtanah.

Setelah ditentukan kelompok masing-masing parameter, selanjutnya

memasukkan nilai kelompok tersebut ke dalam perhitungan bobot.
Perhitungan bobot kelompok yaitu
A=2B
B=2C ----A=2. (2C)
A=4 C
5A+2B+3C=1 (dari hasil pengelompokan kepentingan, jumlah pembobotan
100% (1)
Maka dieliminasi
5.4.C+2.2C+3C=1
27 C=1
C=0,037
A. λ = 0.037 x 20 = 0.74
B. λ = 0.037 x 4 = 0.15
C. λ = 0.037 x 3 = 0.11

Perhitungan bobot individu yaitu

Bobot individu = Bobot kelompok : jumlah anggota masing-masing kelompok.
A = 0.74 : 5 = 0.148
B = 0.15 : 2 = 0.075
C = 0.11 : 3 = 0.036

b. Sistem Inferensi
Nilai keanggotaan kelompok JMF parameter karakteristik lahan yang
diperoleh melalui penggabungan masing-masing nilai keanggotaan individu
parameter karakteristik lahan yang telah dikalikan dengan nilai bobot berdasarkan
tingkat kepentingan karakteristik tersebut dalam perhitungan Indeks Kesesuaian
Lahan (IKL). Operasi ini menerapkan evaluasi kompensasi yang memungkinkan
timbal balik antara atribut tanah dari kelompok yang sama. Tingkat kompensasi
tergantung pada tingkat kualitas atribut tanah yang dipertimbangkan dan bobot
kriteria rating untuk kelompok atribut tanah direpresentasikan sebagai fungsi
keanggotaan bersama hingga dimulai dari 0 sampai 1. Nilai keanggotaan dari masing-
masing parameter karakteristik lahan, kemudian digabungkan dengan menggunakan
convex combination sebagai berikut :
JMF (X) = ………………(5)

Keterangan :
WINDOWS USER 12
 0<JMF (X) <1
0<MF xi <1

λ1+λ2+λ3+…+λn =1 dan 0<λi<1,0

3. DEFUZZIFIKASI
a. Perhtungan defuzzifikasi
Perhitungan hasil dari Indeks Kesesuaian Lahan didapatkan dengan cara overlay
keseluruhan nilai Joint Membership Function (JMF) menggunakan weighted
sumpada ArcGIS. Pertambahan antara kelompok karakteristik lahan dengan formula
persamaan sebagai berikut: IKL = JMF suhu + JMF curah hujan + JMF drainase
+ JMF tekstur + JMF kedalaman tanah + JMF lereng + JMF ketinggian + JMF
kejenuhan basa + JMF KTK tanah + JMF pH tanah.
Hasil indeks kesesuaian lahan dapat dikategorikan menjadi tiga kelas yaitu (Hapsari
dkk, 2014).:
1. Indeks kesesuaian lahan dengan nilai 0-0.59 termasuk kategori tidak sesuai
sampai kurang sesuai.
2. Indeks kesesuaian lahan dengan nilai 0.6-0.79 termasuk kategori cukup sesuai
sampai sesuai.
3. Indeks kesesuaian lahan dengan nilai 0.8-1.0 termasuk kategori sangat sesuai.

b. Defuzzifikasi di dalam ArcGIS

1. Klik Arctoolbox , pilih Spasial Analyst Tools, klik Overlay, kemudian klik dua
kali Weighted Sum. Maka akan muncul kolom seperti dibawah ini.

Gambar 7. Weighted Sum

WINDOWS USER 13
 2. Masukkan nilai indeks penggunaan lahan. Berikut ini adalah hasil dari Defuzzifikasi.

Gambar 8. Peta Hasil Deffuzifikasi

Disarankan membaca: https://link.springer.com/article/10.1007/s00267-001-0053-8

Jika tidak bisa dibuka di springer link maka dapat dibuka di :

WINDOWS USER 14
Gambar 9. Peta Hasil Indeks Kesesuaian Lahan Kopi Robusta
WINDOWS USER 15
CONTOH LAIN DIVARIASIKAN DENGAN METODE AHP
DAN MODEL BUILDER

Variasi dalam perhitungan pembobotan dengan menggunakan AHP

WINDOWS USER 16
GIS Modelling for Site-Specific Nitrogen Fertilization
toward Soil Sustainability
Antonis Papadopoulos 1, Dionissios Kalivas 2,* and Thomas Hatzichristos

WINDOWS USER 17
WINDOWS USER 18
WINDOWS USER 19
WINDOWS USER 20
WINDOWS USER 21
WINDOWS USER 22
WINDOWS USER 23
WINDOWS USER 24
WINDOWS USER 25